В статье представлен комплексный подход к распознаванию ментальных команд на основе анализа частотной модуляции сенсомоторных ритмов электроэнцефалографических (ЭЭГ) сигналов с применением современных архитектур глубокого обучения. Основное внимание уделено адаптации и сравнительному анализу моделей модифицированной архитектуры AlexNet и упрощенной конфигурации MobileNetV2, а также гибридных сетей LSTM–Transformer, обладающих потенциалом извлечения частотных и спектральных закономерностей. В рамках исследования был сформирован специализированный датасет набор данных на основе записей ЭЭГ 30 добровольцев, прошедший процедуру предобработки, фильтрации и нормализации. Особенностью подхода стало использование спектрограмм с высокой частотной детализацией, что позволило эффективно выделять частотно-модулированные паттерны, ассоциированные с воображаемыми двигательными действиями. Предложенные архитектурные модификации нейросетей направлены на повышение устойчивости к шумам и адаптацию к индивидуальным особенностям ЭЭГ-сигналов. Наилучшие результаты продемонстрировала модель, основанная на гибриде LSTM и Transformer, показывая высокую точность классификации на тестовой выборке и стабильность метрик валидации. Представленные результаты подчеркивают перспективность использования глубоких нейронных сетей для реализации интерфейсов мозг–компьютер (ИМК), особенно в задачах, требующих чувствительности к незначительным изменениям в частотных характеристиках биосигналов. Работа может служить основой для разработки адаптивных ИМК в реабилитационных и ассистивных технологиях.